TRMM偏最小二乘降尺度降水模型在新疆不同地貌的适应性

宁 珊，张正勇※，刘 琳，周红武

（1. 石河子大学理学院，石河子 832000； 2. 石河子大学化学化工学院，石河子 832000）

0 引 言

降水在地球表面能量交换和物质循环中扮演重要角色，其时空分布及变化直接影响区域乃至全球的气候特征及化学循环过程[1]。降水数据也是气候分析、水资源评价、水分循环、水量平衡及水文模型等相关研究中不可或缺的关键参数[2]，其精度和时空分辨率决定以上研究过程分析的准确性和结果模拟的精确性。传统的雨量观测站点是当前获得准确降水数值最为直接的方法，但对水汽循环有重要影响的高海拔山区和高原等复杂地形区，以及对生物多样性有重要意义的荒漠区域均极少布设气象站点，以上降水数据的缺失对相关研究的开展存在一定的局限性。降水的连续空间分布数据理论上可由离散分布的站点数据插值获得[3]，但受气象站点空间分布和影响因子的限制，空间插值精度往往存在不确定性。遥感卫星类降水数据具有观测范围广、不受地形和气候条件局限等特征[4-5]，为获取高时空分辨率的降水数据和客观表征降水时空分布特征提供了强大的支撑。

自20世纪60年代开始出现多种降水数据产品，如热带降雨测量卫星（Tropical Rainfall Measuring Mission，TRMM）、GSMaP，CMORPM 及 GPM 等[6-7]，其中 TRMM数据产品具备覆盖范围较大、可融合多个卫星及全球地面站点观测数据等优点，已被广泛应用[8]。但该数据的空间分辨率仅为0.25°×0.25°（27.5 km×27.5 km），还不足以准确刻画复杂地形区降水分布规律，同时关于气候及水文等模型也需更高分辨率的降水数据驱动。

空间降尺度技术能够提高TRMM数据的空间分辨率和精度，已成为近年来众多学者的研究热点之一。目前降尺度模型主要包括线性与非线性模型两大类。与非线性模型相比，线性模型建模速度快，更易于求解[9]。线性降尺度模型主要包括多元线性回归[10]、地理加权回归[11-12]、主成分-逐步回归[12]、偏最小二乘法[13]等。大多降尺度研究中仅将TRMM数据分辨率提高至1 km×1 km[10-13]，同时构建模型时选择影响降水的因子不够全面。偏最小二乘法（Partial Least Squares，PLS）集主成分分析、典型相关性分析和多元线性回归分析的基本功能于一体[14]，具有选择性强和预测准确等优点[15]。因此，有必要构建多源数据融合的PLS降尺度模型，以提高TRMM降水数据的空间分辨率及精度，实现降水产品的精细化需求。

新疆维吾尔自治区远离海洋深居亚欧大陆腹地，干旱少雨且生态系统极为脆弱，同时其绿洲灌溉区为中国第三大农业区，该区域降水问题一直是政府和学者们关注的热点。新疆面积广阔，地形地貌复杂多样，其荒漠占总面积的1/4，以往降水研究多集中在山地[12,16]、平原[17-18]，而对全疆范围荒漠区降水相关研究极少。为此，本文利用PLS方法构建TRMM降水降尺度模型，并基于地形地貌数据，研究其在新疆不同地形地貌分区进行降水模拟的适应性，为研究区水文、气象预报等应用提供科学依据。

1 研究区概况

新疆维吾尔自治区位于中国西北干旱半干旱地区，介于 73°40′～96°23′E、34°22′～49°10′N（图 1），山脉与盆地相间排列，总体地貌呈“三山夹两盆”的格局特征，区内拥有阿尔泰山、天山、帕米尔高原、喀喇昆仑山、昆仑山和阿尔金山（由于帕米尔高原、喀喇昆仑山、昆仑山和阿尔金山位于新疆最南部且海拔较高均处于2 000 m以上，故下文将其简称为“帕喀昆阿山群”）等众多山地及准噶尔、吐哈和塔里木等盆地。四周高山阻隔使得海洋气流不易到达，形成明显的温带大陆性干旱气候，年均降水量仅为150 mm左右，且相对集中于夏季[19]。

图1 研究区地形地貌及气象站点分布Fig.1 Landform and meteorological station distribution of study area

2 数据来源与研究方法

2.1 数据来源与预处理

本研究所需数据为 2000－2017年多源遥感类数据（TRMM 3B43降水数据、MOD13A3 NDVI数据、DEM数据）和气象站点数据（表1）。借助ENVI对TRMM 3B43降水数据进行坐标定义、裁剪等预处理，再依据该数据产品计算规则得到降水量月值数据；MOD13A3 NDVI数据反映研究区植被覆盖度等下垫面特征；气象站点数据包括研究区52个气象站点 2000－2017年月降水、相对湿度等数据，其中降水数据用来分析TRMM降水数据的适应性及进行降尺度模型的精度验证；DEM数据用来划分高程带和提取地形因子。

表1 数据来源Table 1 Data sources

降水变化在很大程度上受地形地貌和海拔高度的直接影响，为此将研究区气象站点划分为 3类，其中位于平原区域的站点有38个，位于盆地的有6个，位于山地的有8个（表2）。基于地貌类型空间分布数据将研究区归并为平原、盆地和山地3大类，结合DEM数据将山地细划为低海拔山地（＜1 000 m，简称“低山”）、中海拔山地（1 000～2 000 m，简称“中山”）、中高海拔山地（＞2 000～4 000 m，简称“中高山”）、高海拔山地（＞4 000～6 000 m，简称“高山”）和极高海拔山地（＞6 000 m，简称“极高山”）共5类。

表2 不同地貌区气象站点基本信息Table 2 Basic information of meteorological stations in different landform zones

2.2 研究方法

在对 TRMM 降水数据适应性分析的基础上，采用PLS方法，通过分析降水及影响因子的多重相关性后构建空间降尺度模型，并对该模型模拟精度进行验证，最后分析新疆不同地形地貌区降水的时空分布特征并探讨其形成机制。

2.2.1 卫星数据的适应性分析方法

TRMM降水数据与气象站点降水量在时空尺度上均存在一定的误差[20]，将其应用于新疆地区前需对其适应性进行评估，且正确估计TRMM数值与气象站点数据之间的偏差是保证后期验证模型精度和降尺度效果的前提。本研究以气象站点的逐月降水数据作为真值，选取决定系数（R2）及均方根误差（Root Mean Squared Error，RMSE）2个指标，分析TRMM降水数据与气象站点降水数据两者之间的差异以评估其适应性。其中R2表示两者之间的相关性，数值越接近1表示相关性越好，TRMM降水数据的精度越高；RMSE用来衡量TRMM与气象站点降水数据之间的偏差，反映评估误差的整体水平，其数值越小表示两者越接近。

2.2.2 构建空间降尺度模型

降水在形成过程中受诸多因子的影响[21]，其中地理位置和地貌格局直接决定获得湿润水汽的多寡；空气湿度达到过饱和时便会成云致雨，而海拔高度和坡度、坡向等地形因子影响空气的降温过程；植物蒸腾作用可增加空气湿度，植被覆盖情况亦可反映区域降水丰沛程度。为此，本研究在前人研究的基础上[10-15]，引入相对湿度、归一化植被指数（Normalized Vegetation Index，NDVI）、高程、经度、纬度、坡度和坡向这7个影响因子，构建空间降尺度模型。

PLS是一种多元统计分析方法，适用于具有自变量多且存在多重共线性特点的数据[22]。首先建立自变量成分和因变量成分的线性回归模型，得到残差向量后，再采用交叉有效性确定PLS中因变量的提取个数[23]，从而建立PLS模型，计算过程详见文献[16]：1）基于2000－2012年气象站点降水数据，首先将经度、纬度、坡度、坡向、高程、NDVI和相对湿度的栅格数据重采样，使之与TRMM降水数据的空间分辨率（0.25°×0.25°）一致；2）提取TRMM数据对应像元的月均降水量及该点对应的地理和地形、NDVI及相对湿度因子，建立PLS模型，利用2013－2017年气象站点降水数据对其进行精度验证。

NDVI数据的分辨率（250 m×250 m）处于 TRMM（0.25°×0.25°）和DEM（90 m×90 m）数据之间，为便于数据处理，又250 m×250 m较目前大多研究中1 km×1 km的分辨率能更精细描述降水的时空分布，因此以 NDVI数据的分辨率为标准，结合PLS降尺度模型，使用双线性内插法，对0.25°×0.25°分辨率的TRMM降水数据进行处理，得到分辨率为250 m×250 m的降水数据，从而实现空间尺度转换。基于2000－2012年数据，根据PLS模型（式（1）），得不同地貌区降尺度模型系数（表3）。

表3 PLS空间降尺度模型系数Table 3 PLS downscaling model coefficient

式中p为气象站点降水数据，mm；λ为常数；x1为纬度，x2为经度，(°)；x3为海拔，m；x4为坡度，(°)；x5为坡向，(°)；x6为 NDVI；x7为相对湿度，%；x8为基于 TRMM 的降水量，mm；a、b、c、d、e、f、g、h均为回归系数。

3 结果与分析

3.1 TRMM数据在新疆不同地貌的适应性分析

本文基于2000－2017年气象站点数据检验其对应格网的TRMM降水数据的适应性。对年均实测值与TRMM年降水量进行统计分析显示（图2），对于整个新疆来说，二者间R2为0.78，RMSE为0.57 mm，说明TRMM年降水量与气象站点年降水数据之间具有较好的线性相关。

图2 不同地貌区TRMM年降水量与实测值比较Fig.2 Comparison of TRMM-based and measured annual precipitation in different landform zones

在月时间尺度上（表4），对于整个新疆来说，除了2、7、8月的R2值小于0.7以外，其他月份均为0.8左右；大多数月份的RMSE值均小于1 mm，说明TRMM与气象站点月降水数据之间具有较好的线性相关。卢新玉等[21,24]也认为二者在月尺度上存在6－8月拟合度较低而其他月份较高的问题，极有可能是地形或空间降水差异等原因所致。为此本研究分别基于平原、盆地和山地 3类地貌区进行适应性分析，发现平原和山地的月均R2几乎都在0.8左右，大多RMSE小于1 mm（表4），而盆地的拟合度较差（年降水量R2为0.45且RMSE为0.79 mm，图2），尤其是6月的R2仅为0.21而RMSE达1.70 mm（表4），可能是荒漠和戈壁等盆地区域降水稀少，出现了“低值高估”的现象所致，加之新疆地区盆地面积广大，该区域的误差导致整个新疆在 6月左右的拟合度较低。但综合来看，研究区的TRMM降水数据与气象站点数据有较好的相关性，可用于新疆地区进行降尺度研究。

3.2 PLS降水降尺度模型验证

利用2013－2017年气象站点降水数据对降尺度模型进行验证。降尺度后，年降水量估计结果明显好于降尺度前，R2由0.74提高到0.85，RMSE降低0.26 mm。在月尺度上，降尺度后R2大部分在0.75左右，大多数月份达到0.8以上，较计算前均有所提高，其中6月提高最显著；1、2、3、12月的 RMSE值明显下降，其他月份也略有减少（表 4）。另外发现，3、4、5、9、10月降尺度前估算值小于实测值（图3），可能是由于这几个月大多山区易出现雨雪转换频繁的天气现象，TRMM搭载的传感器对固液相态降水掺杂时的识别能力较弱所致，而PLS降尺度方法则较好地解决了这一问题，经降尺度后模型估算值更接近实测值；在TRMM降水数据易发生高估的月份里，其效果更显著，特别是 6月实测值与降尺度后估算值仅相差0.12 mm。

图3 降尺度后月均降水量与实测值和降尺度前对比Fig.3 Comparison of monthly average precipitation after downscaling and measured value and that before downscaling

综上，不同时间尺度上 TRMM 数据降尺度效果显著，较好地解决了其低值高估和高值低估问题；但仅从时间尺度上进行检验，无法体现不同海拔和复杂地形地貌区的单个站点的模拟精度，还须从空间尺度上来验证。本研究选择在不同海拔高度和地形地貌区均有站点布设的乌鲁木齐河流域为检验区，其中高寒区有 3个站点，低山区有2个站点，平原和盆地各有1个站点；通过天山冰川观测试验站年报、中国国家气象信息中心及相关文献等收集以上气象站点的降水数据（表5）。

表4 降尺度前后TRMM估算值与实测月降水量比较Table 4 Comparisons of TRMM-based estimated monthly precipitation before and after downscaling and measured values

表5 乌鲁木齐河流域站点数值与降尺度前后TRMM年均降水量的精度验证结果Table 5 Verification results of TRMM-based average annual precipitation before and after downscaling in sites of the Urumqi River Basin

由表5可知，蔡家湖、后峡口和总控水文点这3个站点R2值均小于0.5，其他站点R2均不低于0.79，可知原始TRMM降水量估算精度不高。降尺度后，仅后峡口和总控水文点的R2值小于 0.50，除牧试站的 RMSE为0.40 mm之外，其他站点均小于0.29 mm。降尺度后所有站点降水估算精度均有提高（R2从 0.06～0.91提高到0.39～0.95，RMSE 从 0.20～0.44 mm 降低到 0.18～0.40 mm），R2增加最多的是总控水文点（0.33），空冰斗水文点与蔡家湖的RMSE值明显减少（0.06 mm）。表明了PLS降尺度模型在不同海拔和地形地貌区降水分异刻画的可靠性，将 PLS降尺度方法推广至整个新疆的TRMM数据用于降水量估算具有较高的可行性。

3.3 研究区降水时空分布特征

3.3.1 降水时间变化分析

2000－2017年新疆年降水量呈增长趋势，年均降水量为164.75 mm，变化率为1.11 mm/a，与庞忠和等[25-26]的研究结果基本一致。对于整个新疆而言，研究期内年均降水量波动变化幅度较小，年均降水量最大和最小年份分别出现在 2016年（189.38 mm）和 2008年（142.61 mm）。从不同地形地貌单元的年均降水变化来看（图4），各分区的年均降水量排序由大到小为中高山、极高山、高山、低山、中山、平原、盆地。盆地的年均降水量（71.64 mm）最小，中高山区的年降水量为盆地区的3倍；盆地、平原和山地3个区域年均降水量比值约为1:1.6:2.5。不同区域降水变化率也存在差异，高山区和中山区的增长率仅为0.83 mm/a，平原、盆地、低山和中高山区的降水变化率均高于0.95 mm/a以上，极高山区的变化幅度（1.83 mm/a）最大。总体来看，研究区内随着海拔升高降水逐渐增多，中高山区降水量达到极大值，山区降水量多同时波动变化也较剧烈，正印证了山区天气现象多变和气候过程复杂的特征[16]。另外新疆各山区（山地）均有冰川发育，气温升高加速冰川消融和表面蒸发过程，会显著改变高寒区能量交换和物质循环，进而使得山区的降水形成过程更加复杂多变。

图4 2000－2017年不同地形地貌区的年均降水量Fig.4 Annual average precipitation in different topography and landform zones from 2000 to 2017

整体而言，近 18 a来，研究区月均降水量为13.72 mm，主要发生在4－9月，年内降水分配不均，其中6－8月最为集中，7月达到年内最大值（33.6 mm），占全年的20.4%，而2月降水量最小，不及7月的10%。各地形地貌区的月均降水变化不一（表6），中高山及以上山区降水集中发生在 6－9月，而中低山、平原和盆地区降水集中于 5－8月，且相对高海拔山区来说，以上区域年内降水量分配较均匀，如低山区降水量最少的月份仅比最多的月份少了10%。高海拔山区旱季（1－4、10－12月）的月降水量占比基本为1%～4%，可能是由于该山区温度较低，夏季蒸发旺盛，大量的潮湿空气随着山体爬升易形成地形雨，而冬半年冰雪和地表的蒸发较弱，潮湿空气不易达到饱和程度。总体来看，新疆各月降水集中在6－8月，雨热同期，其他月份降水较少，可知降水占比变化与年内温度变化[27]具有很好的一致性，是由于温度变化直接影响到水汽饱和、空气降温过程及凝结核，使得不同地形地貌单元月降水量存在明显差异。

表6 2000－2017年不同地形地貌分区的月均降水量及占比Table 6 Monthly average precipitation and its proportion in different topography and landform zones from 2000 to 2017

3.3.2 降水空间特征分布

地貌格局复杂使得降水空间分布差异明显[28]。以天山山脉为界，全疆降水整体上呈现“北多南少”的空间格局，其中大范围降水主要集中在阿尔泰山、天山和帕喀昆阿山群等山区，如阿尔泰山北部区域的月降水均高于20 mm，而以荒漠和戈壁为主的塔里木盆地东南部和吐哈盆地区降水极少，多年月降水量均小于10 mm；相对来说，天山山区为降水高值区，年均降水量可达228.98 mm，位于研究区东部的吐哈盆地的年均降水最少，仅为38.86 mm。从月降水空间分布来看（图5），研究区大部分地区 2月的降水为年内最少，除伊犁河谷和阿尔泰山北部地区以外，其他区域降水量均低于10 mm；3月开始新疆北部的降水范围有所扩大，并且在南部的帕米尔高原和喀喇昆仑山区陆续出现少量降水；4月研究区北部降水明显增加，而南部降水依然稀少；帕喀昆阿山群大部地区及塔里木盆地西缘于 5月降水逐渐增多；6、7月除吐哈盆地及塔里木盆地东部外，研究区降水量及分布范围逐渐达到了年内最大；从 8月开始到次年 1月，大部地区降水量逐月减少，分布面积也随之萎缩。

图5 基于PLS降尺度模型的研究区多年（2000－2017年）平均月降水量分布Fig.5 Multi-year (2000-2017) average monthly precipitation distribution of study area based on PLS downscaling model

山区作为新疆主要河流的发源地，其降水变化直接影响山区乃至全疆水文循环及区域生态环境的变化[29]。为探究新疆山区降水的垂向分布特征，本文以100 m为间隔对研究区山地年均降水量进行了分带统计（图6），发现各山地降水量均随海拔升高呈波动上升趋势，且出现了 2个较明显的降水峰值区，但由于山体绝对高度和规模的差异，峰值区出现的海拔高度不尽相同。天山山区的第一、二降水峰值区分别位于海拔3 400和4 300 m附近，其中第一峰值的分布范围与白磊等[30]研究结果基本一致，而第二峰值较张正勇等[16]的结果低了约 1 200 m；阿尔泰山在海拔2 400和3 200 m左右分别出现第一、二峰值区，与张东良等[31]研究结果相比，本研究第一峰值的海拔上升了约400 m；山体更为高大的帕喀昆阿山群的两大峰值区海拔明显高于其他山地，第一、二峰值分别位于3 800、5 800 m左右，与韩兴胜[32]研究相比，第一峰值海拔分布一致，第二峰值未见报道。本研究得出的各山区降水峰值区海拔位置与他人研究结果存有部分分歧，笔者认为是由于运用的降水数据类型不同所致，以上学者均采用山区周边气象站点数据，而位于高海拔山区的气象站点极少，即使通过空间插值或模型计算可以获得高海拔山区的降水数值，但依然无法真实和客观地反映该区域降水分布情况，而基于TRMM数据并结合地形等因子构建的 PLS降尺度模型估算的降水数据，能够较精确地反映新疆不同地形地貌区的降水分布特征。

图6 新疆山区年均降水量变化（2000－2017年）Fig.6 Changes of annual average precipitations in mountainous areas of Xinjiang (2000－2017)

4 讨 论

4.1 降水量时空分异研究方法比较

以往学者们在降水时空分异规律方面做了大量研究[33]，但基于不同数据源运用插值和降尺度等方法获得的空间降水数值的分辨率和精度各异。为比较不同研究方法的模拟或反演效果，本研究采用 3种方法得出新疆年降水空间分布图：1）基于气象站点数据的GIS反距离加权插值法获得空间面数据；2）基于 TRMM 卫星降水产品直接反演得到其原始降水值；3）基于 TRMM 数据的PLS降尺度技术模拟降水空间分布。总体来看（图7），3种研究方法获得的结果均能不同程度地反映出新疆北部和天山山区降水的总体分布特征，但空间插值法难以实现对新疆南部山区及周边区域的空间降水差异（图7a），原因在于空间插值技术采用“越接近，越相似”的原理将离散点值拟合为面值，点值密度和分布直接影响其拟合精度[34]，而山区周边分布的气象站点少且该区域降水较少，使得插值技术无法识别出山区降水一般要高于周边平原或盆地的规律。由图7b可知，原始的TRMM数据空间分辨率较低，同一栅格所对应的实际地理空间面积过大，而新疆地形地貌复杂，由TRMM直接反演得到的数值无法刻画降水量随地形的变化情况，同时TRMM卫星采集数据时易受地表大面积水体的干扰[35]，会将湖泊和湿地等水汽含量较高的地类区识别为降水高值区，如位于新疆北部的乌伦古湖、玛纳斯湖以及南部的台特玛湖附近均出现了此类情况。通过利用PLS降尺度技术，排除了水体NDVI，再结合相对湿度数据，剔除误认的降水高值区，从而较好地解决这一问题（图 7c），更加精细地刻画新疆境内山地和平原等不同地形地貌区降水的空间异质性，也相对准确地反映出植被覆盖（南部山区）和荒漠戈壁（塔里木盆地中北部）等下垫面处的降水量差异。

图7 不同方法下新疆年降水空间分布（2000－2017年）Fig.7 Spatial distribution of annual precipitation in Xinjiang under different methods (2000-2017)

天山是新疆维吾尔自治区乃至中亚干旱区域的“湿岛”，山区降水对区域水循环过程和水资源安全均有重要影响[30]。天山山区降水形成机制和变化原因等一直是研究的热点，近年来，学者们就TRMM数据采用不同降尺度方法反演该区域降水分布情况，王晓杰[36]利用求和法与求积法，引入进行经度、纬度、高程、坡度、坡向及NDVI这6个因子，参与空间降尺度模型的构建，得出降尺度后数据与气象站点数据的R2为0.83、绝对误差为60.12 mm（换算成RMSE为3.84 mm）；李净等[37]采取了多元线性回归法，引入因子与王晓杰一致，经降尺度后R2由0.62提高到了0.71；范雪薇等[12]则引入了经度、纬度、高程、坡度、坡向、地形开阔度及地形起伏度 7个地形因子，基于主成分-逐步回归和地理加权回归2种方法降尺度后对比发现，主成分-逐步回归方法的拟合度较高，R2值为0.95、绝对误差为86.14 mm（换算成RMSE为5.50 mm）。而本文基于PLS降尺度方法，得出2000－2010年模拟结果的R2为0.96、RMSE为1.74 mm，精度均高于以上研究，说明PLS降尺度方法的模拟精度和可行性较高，同时PLS方法不仅能提高卫星降水数据的空间分辨率，同时可以揭示降水分布对地理、地形、NDVI、相对湿度及其他气候因子的响应机制。

4.2 新疆降水空间分布原因分析

降水作为水循环中最活跃的环节，既受海陆位置和大气环流的影响，同时也受下垫面和地形地貌等众多因素的制约[38]。新疆地处中国西北边陲，其南部和东部有高原和山地重重阻挡，太平洋和印度洋水汽难以到达；但北部及欧洲地区多平原，因此来自大西洋和北冰洋的水汽能够到达部分地区，热空气沿山体向上爬升冷凝后形成地形雨，从而使其山区降水相对较多。根据本文方法估算的山区降水量基本在200 mm以上（图8）。

图8 基于PLS降尺度模型的新疆多年（2000－2017年）平均年降水量空间分布Fig.8 Spatial distribution of multi-year (2000-2017) average annual precipitation based on PLS downscaling model in Xinjiang

李晖等[39-40]利用稳定同位素也证实了乌鲁木齐地区和天山等区域的降水主要靠西风带输送海洋水汽及当地的蒸腾/蒸发；新疆山体宽广且绝对高差很大，使得山区大多都能形成 2个降水峰值区，第一个峰值出现是由于海拔增加温度降低易形成降水，而第二降水峰值出现在于高寒区冰川消融和冰雪面蒸发/升华增加了局地空气湿度，加之冰川风和山谷风的作用使得该区间降水较多[18]。新疆东部的吐哈盆地降水量极少，其远离海洋且地形闭塞，干热的亚热带大陆性气团使该区域的天气呈现干燥、炎热的特点，且加快了地表和大气中水分的蒸发，再加之水汽输送过程中山脉的阻挡和空气阻力的耗散，使得大气顶部的水汽很难完全落到地面。天山山区以南区域多戈壁沙漠，气温较高，形成的强烈暖气流沿着山体南坡上升，使其上空的云团无法南侵，加之大致呈东西走向帕昆阿山群阻挡使得外部水汽无法进入，这造就了新疆南部气候异常干燥的气候特征，大部分地区的年均降水量均在100 mm以下。位于新疆北部的阿尔泰山海拔相对较低，有利于北冰洋的水汽进入，使得新疆北部降水量远高于南部。

5 结 论

1）与气象站点实测降水量比较，热带降雨测量卫星（Tropical Rainfall Measuring Mission，TRMM）数据估算的月均降水量在平原和山地的估算精度较高，R2几乎都在0.8左右，大多均方根误差小于1 mm，而盆地的拟合度较差（年降水量R2为0.45）。但对于整个新疆而言，年均降水量实测值和估算值间R2为0.78，均方根误差为0.57 mm，月降水量R2也大多在0.8左右（2、7、8月小于0.7），表明TRMM降水数据与实测数据有较好的相关性，但其模拟精度在盆地仍需要进一步提高。

2）基于偏最小二乘法降尺度模型修正后的降水量估算值的拟合度均较降尺度前有明显提高，年降水量R2由0.74提高到0.85，均方根误差降低了0.26 mm，较好地解决了原始数据的低值高估和高值低估问题；通过在不同海拔高度和地形地貌区均有气象站点布设的乌鲁木齐河流域为检验区，发现修正后的所有站点其精度均有提高，验证了模型在不同海拔和地形地貌区降水分异刻画的可靠性，该方法推广至整个新疆的TRMM数据降尺度研究具有较高的可行性。

3）2000－2017年新疆年均降水量由高到低排序为中高山、极高山、高山、低山、中山、平原、盆地；其中盆地、平原和山地的比值约为1:1.6:2.5；中高山及以上山区降水集中在6－9月，年内降水量分配不均匀，而其以下区域年内降水分配较均匀，如低山区降水量最少的月份仅比最多的月份少了10%，降水多集中于5－8月。

4）新疆降水呈“北多南少”的空间分布格局特征，阿尔泰山北部区域的月降水均高于20 mm，而塔里木盆地东南部和吐哈盆地降水极少，多年月降水量均小于10 mm。山区均存在2个较明显的降水峰值区，天山山区降水峰值区分别位于海拔3 400和4 300 m附近，阿尔泰山在2 400和3 200 m；帕喀昆阿山群的降水峰值区海拔明显高于其他山地，出现在3 800和5 800 m。

新疆地区地形复杂，实测气象站点少，尤其在高海拔山区的气象站点更少，地面实测数据限制了降尺度结果的验证。此外，也可以考虑研究新的卫星产品降尺度技术，从而辅助验证TRMM卫星产品。